基于改进GAN的水力测功器轴承故障在线诊断方法

基于数据驱动的轴承故障诊断方法已成为轴承故障诊断领域研究的重点,但由于水力测功器轴承故障情况极少,导致基于数据驱动的轴承故障诊断准确率低。针对上述问题,本文提出了一种基于改进生成对抗神经网络（Generative Adversarial Networks）的水力测功器轴承故障在线诊断方法,首先对生GAN训练方法进行改进,用改进的GAN交替训练判别器和生成器学习原始数据的分布特性,建立了水力测功器轴承故障数据增强模型得到合成数据。然后结合原始数据和合成数据训练得到基于SVM的轴承故障诊断模型。最后采用该轴承故障诊断模型实现水力测功器轴承故障在线诊断。仿真结果表明,所提出的故障在线诊断方法通过改进GAN增强训练极大提升了轴承故障诊断的实时准确率,并具有抗噪声干扰性强的特点。     

基于改进LSTM神经网络的化工过程故障诊断

针对现代化工过程中数据非线性、高维度以及动态时序等特点,传统的故障诊断模型对化工过程的故障诊断精度较低.基于此,设计了一种基于改进的长短时记忆神经网络(LSTM)故障诊断方法.首先,将采集的故障数据输入卷积神经网络(CNN),对数据进行特征提取和降维;其次,将处理过的数据输入改进的LSTM网络,进行深层特征提取;最后,把提取的深层特征信息输入到注意力机制进行特征“聚焦”,实现特征融合后输入softmax分类器实现故障分类.由田纳西-伊斯曼(TE)过程诊断实验结果表明,基于改进的LSTM网络的故障诊断方法在故障分类精度、训练速度方面都更优于递归神经网络(RNN)、门控循环神经网络(GRU)、卷积神经网络(CNN)和深度自编码网络(DAEN),在实际化工过程的应用有一定的优势.     

基于改进卷积神经网络CNND的电主轴轴承故障诊断方法

目的解决深度学习方法在建立电主轴轴承故障诊断模型时出现的过拟合现象,提高电主轴轴承故障诊断准确率.方法提出一种基于改进卷积神经网络的诊断方法 ,该方法在卷积神经网络的训练过程中融入Dropout优化方法 ,使整个故障诊断模型按照一定的比例随机"关闭"隐藏层中的神经元,减少模型在每一次训练过程中所需要调整的参数数量.结果将Dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,其平均诊断准确率能够达到99.012%,远高于基于CNN、CNN+L2和BPNN这3种神经网络诊断方法的诊断准确率.卷积神经网络方法相比于传统的"基于信号处理提取到的特征和机器学习模型"方法 ,更适用于电主轴轴承故障诊断.结论提出的CNND方法实现了卷积神经网络与Dropout优化方法的有机结合,对原始数据进行降维处理使模型学习到的特征更利于电主轴故障的分类,同时根据故障数据的特点确定相关参数的初始值,克服一般深度学习方法在进行电主轴故障诊断时出现的过拟合现象,提高诊断准确率.     

基于循环卷积生成对抗网络的风机齿轮箱故障诊断

风机齿轮箱是风力涡轮传动系统中的关键部分,其故障发生随机、故障样本数量不足,严重影响故障诊断的准确性。针对此问题,提出一种基于循环卷积生成对抗网络的风机齿轮箱故障诊断方法。首先,构建基于循环卷积生成对抗网络的样本生成模型,利用卷积网络和循环网络作为生成器增强样本间的时间相关性;借助Wasserstein距离与梯度惩罚项改进目标函数,并通过博弈对抗机制优化生成器和判别器,提高模型的泛化能力。然后,结合真实样本和生成样本,设计基于堆叠去噪自编码器的故障诊断方法,实现齿轮箱的故障诊断。最后,利用风力涡轮传动系统数据集验证所提出的风机齿轮箱故障诊断方法的性能。结果显示,所提方法能够有效平衡故障样本数据集,进一步提高风机齿轮箱故障诊断的准确率。     

电力物联网背景下基于HHT-CNN的智能变电站故障诊断

在电力物联网的背景下,为提高传统智能变电站故障诊断能力,提出基于希尔伯特-黄和卷积神经网络相融合的智能变电站故障诊断方法.将智能变电站中的故障录波数据作为故障诊断数据,利用希尔伯特-黄变换提取综合电流的故障特征,通过训练好的卷积神经网络实行故障定位.以典型的110 kV智能变电站为例进行仿真测试,测试结果表明：增加数据增强模块能有效提高卷积神经网络模型的泛化能力;选择合适的卷积神经网络模型参数能有效提高故障诊断正确率和降低训练时间;相对于其他2种方法,该方法有较高的故障诊断正确率.     

基于迁移学习的小样本轴承故障诊断方法研究

针对实际应用中训练样本严重不足的问题,提出了一种改进迁移学习方法,将模型在源域上学习的故障诊断知识迁移至目标域,并将其用于小样本轴承故障诊断研究。采用全局均值池化层代替卷积神经网络中的全连接层进行分类输出,减少了网络的待训练参数量。采用预训练微调的迁移学习方法,使用数量充足的源域样本来训练网络,避免了数据不足导致的过拟合现象。将网络结构和参数迁移至目标域后,微调较深层的网络参数,使得网络适应目标域样本的数据分布。在凯斯西储大学轴承数据集和实验室轴承数据集上进行了迁移学习实验和轴承分类诊断,结果表明:在跨工况和跨型号的情况下,仅使用1%目标域训练集数据进行微调时,所使用的方法获得了92.25%的平均分类准确率。所提方法完成了小样本下的滚动轴承故障迁移诊断任务,对迁移学习理论在轴承故障诊断中的研究应用具有一定价值。     

变负载轴承故障诊断卷积神经网络模型

针对轴承故障在实际环境中存在负载变化导致故障难以诊断的问题,提出一种基于一维卷积神经网络的变负载适应轴承故障诊断模型,卷积结构使用小卷积核卷积层堆叠的形式,训练时对输入层进行均匀分布失活率的随机失活,以提高网络的变负载适应能力,且采用全局平均池化降低模型计算量和减轻过拟合程度;在实验验证阶段,提出以两种近邻负载条件的轴承数据构成变负载数据集,充分验证轴承故障诊断的变负载适应性。实验结果表明:本文模型在各测试集均能达到96%以上的准确率且平均准确率达到98.36%,能够在变负载环境下实现准确、稳定的轴承故障诊断,具有良好的泛化能力。     

基于CWT-CNN的滚动轴承故障诊断

针对滚动轴承传统故障诊断方法训练收敛速度慢、识别准确率不高、抗噪性能差等问题,提出CWT-CNN的轴承故障诊断模型。通过对滚动轴承振动数据经连续小波变换生成的时频图进行三次垂直方向随机裁剪的方法扩充数据集,之后将其导入到搭建的加入了批量归一化和随机失活的卷积神经网络中进行模型训练,再由训练好的模型实现轴承故障分类。为了测试模型性能,使用凯斯西储大学轴承数据集进行检测,经过实验结果表明：基于提出的方法构建的数据集相比于常规方法,在搭建的卷积神经网络训练中收敛速度更快,训练出的模型性能也更加稳定,最终最高测试准确率为99.75%,常规方法构建的数据集准确率为99.67%,证明了构建数据集方法的可行性;在原始数据中加入信噪比为6dB高斯白噪声后,通过常规方法构建的数据集测试的最高准确率仍达到了98.67%,展现了基于CWT-CNN的轴承故障诊断模型较强的抗噪能力,证明了所提方法的有效性和可行性。     

基于改进堆叠式循环神经网络的轴承故障诊断

提出基于改进堆叠式循环神经网络的轴承故障诊断模型.利用深层网络极强的非线性拟合能力以及循环神经网络特有的沿时间通道传播的特点,通过门控循环单元解决堆叠式循环神经网络梯度消失的问题,实现对轴承健康状况的分类识别.利用美国凯斯西储大学轴承数据集进行了轴承故障诊断试验,同时将支持向量机、粒子群优化的支持向量机、人工神经网络、卷积神经网络AlexNet以及循环神经网络作为对比以检验所提模型的分类性能.结果表明,提出的模型能够对轴承故障进行有效诊断,并且具有一定的可靠性与泛化能力.     

基于改进深度卷积生成对抗网络的入侵检测方法研究

针对入侵检测系统因采用的网络攻击样本具有不平衡性而导致检测结果出现较大偏差的问题,文章提出一种将改进后的深度卷积生成对抗网络(DCGAN)与深度神经网络(DNN)相结合的入侵检测模型(DCGAN-DNN),深度卷积生成对抗网络能够通过学习已知攻击样本数据的内在特征分布生成新的攻击样本,并对深度卷积生成对抗网络中生成网络所用的线性整流(ReLU)激活函数作出改进,改善了均值偏移和神经元坏死的问题,提升了训练稳定性。使用CIC-IDS-2017数据集作为实验样本对模型进行评估,与传统的过采样方法相比DCGAN-DNN入侵检测模型对于未知攻击和少数攻击类型具有较高检测率。     

基于ResNet模型的甲状腺SPECT影像诊断

为了降低医生利用SPECT影像对甲状腺疾病进行临床诊断时的误诊率,提高深度学习算法在核医学影像辅助诊断中识别交叉影像特征的准确率,提出了基于ResNet模型的甲状腺SPECT影像诊断方法。利用深度卷积生成对抗网络(DCGAN)和高分辨率生成对抗网络(SRGAN)生成影像并提高分辨率,弥补训练数据的不足。同时,将残差块输出信息加上具有交叉特征影像信息的x_i,在保留已学习影像特征的基础上增加对交叉特征的学习,改进了模型。对于交叉影像特征,使用交叉训练集对经过单一特征影像训练完成的改进ResNet神经网络模型进行再训练。实验结果表明,经过100轮迭代,交叉训练集训练的改进ResNet神经网络模型验证精度高达0.963 3,验证损失降到0.118 7,并趋于稳定;识别结果,召回率、精确率、特异度和F_1分数都在93.8%以上。经过改进的神经网络模型和新的训练方法对甲状腺SPECT影像表现出的典型症状识别率较高,优于其他基于卷积神经网络(CNN)的方法,对临床影像诊断具有参考价值。     

基于改进CNN-GRU网络的多源传感器故障诊断方法

提出一种复杂系统内多源传感器的故障诊断方法.利用多源传感器数据之间的相关性,使用卷积神经网络提取不同传感器之间的联系和特征.在卷积网络中,设计了传感器数据标定模块使得网络更关注学习与故障信号相关的传感器数据.利用循环网络对传感器自身的时序特征建模,引入跳跃连接和辅助损失函数降低网络的训练难度.最后综合时空特征,一次计算得到故障分类结果和故障参数估计.仿真结果表明,改进后的CNN-GRU网络能够实时准确地诊断传感器的固定偏差故障和漂移偏差故障,传感器数据标定模块和跳跃连接的引入有效地提高了诊断算法的准确率和精度.      

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

基于残差神经网络的滚动轴承故障诊断方法

针对轴承故障诊断方法在变工况条件下诊断效果不佳的问题,提出了一种基于残差神经网络的滚动轴承故障诊断方法.该方法首先以滚动轴承时域信号数据作为输入,针对信号的时变性改进了数据池化层,改进的数据池化层利用三个连续的卷积层串联构建而成,目的在于能够有效地提取振动信号中的故障特征信息,并减少残差神经网络中参数的计算量;然后设计了一种空洞卷积和残差块相结合的空洞残差块,用于特征信息的学习;最后通过在全连接层后加入Dropout层丢弃一定比例的神经元,能有效避免过拟合的负面影响.使用凯斯西储大学轴承数据集进行仿真实验,与SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱和Resnet三种方法作对比分析,结果表明该方法在变工况下的滚动轴承故障诊断中具有更高的诊断准确率、更强的抗噪性和泛化能力.     

基于STFT-Inception-残差网络的轴承故障诊断

为使轴承故障诊断工作更加准确与智能化,构建了一种基于Inception结构和残差结构的卷积神经网络(CNN:Convolutional Neural Network),提出一种新的轴承故障诊断方法。首先使用短时傅里叶变换(STFT:Short Time Fourier Transform)将滚动轴承原始一维信号转变为二维时频图,分为训练集、验证集和测试集;然后使用训练集对搭建的Inception-残差网络模型进行迭代,不断更新网络参数,并由验证集检验模型是否出现过拟合现象;最后将训练好的模型应用于测试集,并通过输出层的分类器输出诊断结果。最终由实验证明所提方法的可行性,对轴承故障分类的平均准确率到达了99.98%±0.02%,相对于其他方法具有较高的准确率和稳定性。     

采用深度迁移学习与自适应加权的滚动轴承故障诊断

针对滚动轴承目标域数据中额外故障状态样本影响其故障诊断精度的问题，提出了采用深度迁移学习与自适应加权的滚动轴承故障诊断方法。建立特征提取模块，利用深度卷积神经网络将轴承样本映射到高维特征空间；利用迁移学习思想设计加权领域鉴别器，对样本进行自适应加权，并通过在特征空间的对抗训练，增大目标域与源域共有健康状态样本的领域相似性，抑制目标域额外故障状态样本与源域样本的领域相似性增强；依据样本权重，度量目标域与源域样本的相似性，设定阈值将目标域额外故障状态样本标记为未知故障；将源域故障诊断知识迁移到目标域共有健康状态样本的故障识别中。利用齿轮箱轴承数据、凯斯西储大学滚动轴承数据和机车轮对轴承数据对提出的方法进行验证，结果表明：所提方法在3个数据集上均达到89%以上的诊断精度，而对比方法的诊断精度均低于80%。所提方法能够克服额外故障状态样本的影响，有效实现滚动轴承故障诊断。     

基于轻量级CNN的电机轴承故障诊断研究

针对深度学习在嵌入式或移动端设备中用于故障诊断时,受限于有限的硬件资源而又需要有足够的效率和精度的应用需求,提出基于轻量级卷积神经网络的电机滚动轴承故障诊断方法.首先对滚动轴承的振动信号数据集进行连续小波变换生成固定尺寸的时频图,并以此方式生成数据集输入网络进行训练.使用测试集进行测试,结果表明,所生成的故障诊断预测网络模型具有较高的识别精度和识别速度,准确率达到99％.通过验证噪声对网络的影响,表明所使用的网络具有较好的鲁棒性和泛化能力.     

基于CCA和SOFM的轴承故障特征提取

提出曲元分析(CCA)和自组织特征映射(SOFM)相结合的方法用于轴承的故障诊断特征提取.首先通过传感器测得轴承在正常和非正常状态下的信号;然后对所得数据进行归一化;考虑到数据比较庞大,利用CCA进行降维;再利用SOFM进行训练,网络对不同状态下的输入具有明显不同的输出.利用Matlab神经网络工具箱来实现上述算法.实例仿真表明,这个算法可以快速正确地提取出轴承故障特征值,并通过聚类算法完成轴承的故障诊断.     

多尺度时空信息融合驱动的图神经网络故障诊断方法

行星齿轮箱作为机械系统中常见的减速装置,由于长期在强噪声环境和变工况工作条件下运行,导致采集到的振动信号故障特征微弱、信号模式多变难以识别,针对行星齿轮箱故障诊断效果不佳,泛化能力差的问题,提出一种多尺度时空信息融合驱动的图神经网络故障诊断方法来提高故障诊断模型准确率和泛化能力。该方法首先构建多尺度卷积核对原始时序信号进行不同尺度特征提取,削弱强噪声信号对有效信息的掩盖作用并增强故障特征的表达能力;然后再构造通道注意力机制,根据通道特征重要程度,给不同尺度卷积核提取的特征自适应分配不同权重,对含有关键故障特征的信息片段进行特征强化;最后对卷积输出的多尺度特征,构造空域下的图数据并通过图卷积网络聚合多尺度特征,从而有效利用数据的时序多维信息和空域结构关联信息,实现多尺度下时空域故障信息的深度融合,提高诊断的准确精度和模型的泛化性能。通过利用具有行星齿轮箱结构的风电装备故障数据集对所提方法进行验证,并与其他深度学习方法（第一层宽卷积核深度卷积神经网（WDCNN）、长短时记忆网络（LSTM）、残差网络（ResNet）、多尺度卷积神经网络（MSCNN））进行比较,结果表明：本研究提出的方法在跨...     

考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法

针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法.该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后...